【正文】 。 %edge 調(diào)用 Canny 為檢測算子判別閾值為 figure,imshow(BW20)。,) 。Canny39。BW1= edge(I,39。)。閾值為 的 Canny 算子邊緣檢測圖像 39。title( 39。 %edge 調(diào)用 Canny 為檢測算子判別閾值為 figure,imshow(BW2)。,) 。39。同時(shí)這也是算子的局限性，對于一般的問題或者情況未知的問題，預(yù)定義邊緣的方法可能不會(huì)達(dá)到最佳效果。若某個(gè)像素的灰度值與其梯度方向上前后兩個(gè)像素的灰度值相比并不是最大的，那么將該像素置為零，即不是邊緣。將低于閾值的所有值賦零值。G將圖像 與 作卷積，同時(shí)改變 n 的方向， * 取得最大值時(shí)的 n 就是),(yxfn nG),(yxf正交于檢測邊緣的方向。既要提高邊緣檢測算子對邊緣的敏感性，同時(shí)也提高了對噪聲的敏感。②求高斯濾波器的拉普拉斯的變換，再求與圖像的卷積，然后再進(jìn)行過零判斷。該算法的主要思路和步驟如下：0 1 01 4 10 1 01 1 11 1 8 11 1 11 1 11 8 11 1 11 0 12 4 21 0 11 2 10 0 01 2 1（1）濾波：首先對圖像 f(x,y)進(jìn)行平滑濾波，其濾波函數(shù)根據(jù)人類視覺特性選為高斯函數(shù)，即： ?????????)(21exp),( 22yxyxG??其中，G（x，y）是一個(gè)圓對稱函數(shù)，其平滑的作用是可通過 來控制的。是對二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子，對一個(gè)連續(xù)函數(shù) f (x, y)它在圖像中的位置(x, y),拉普拉斯值定義為： 22fxy????Laplacian 算子利用二階導(dǎo)數(shù)信息，具有各向同性，即與坐標(biāo)軸方向無關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。這兩個(gè)核分別對垂直邊緣和水平邊緣響應(yīng)最大，兩個(gè)卷積的最大值作為該點(diǎn)的輸出位。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。最簡單的邊緣檢測是梯度幅值閾值判定。圖像邊緣檢測的基本步驟：（1）濾波。經(jīng)典的邊緣檢測方法得到的往往是斷續(xù)的、不完整的結(jié)構(gòu)信息，噪聲也較為敏感，為了有效抑制噪聲，一般都首先對原圖像進(jìn)行平滑，再進(jìn)行邊緣檢測就能成功地檢測到真正的邊緣。理想的邊緣檢測應(yīng)當(dāng)正確解決邊緣的有無、真假、和定向定位，長期以來，人們一直關(guān)心這一問題的研究，除了常用的局部算子及以后在此基礎(chǔ)上發(fā)展起來的種種改進(jìn)方法外，又提出了許多新的技術(shù)。圖像中灰度變化劇烈的區(qū)域即強(qiáng)度的非連續(xù)性對應(yīng)著邊緣。眾所周知，邊緣是圖像的基本特征，所謂邊緣就是指周圍灰度強(qiáng)度有變化的那些像素的集合，是圖像分割、紋理分析和圖像識(shí)別的重要基礎(chǔ)。在通常情況下，我們可以將信號(hào)中的奇異點(diǎn)和突變點(diǎn)認(rèn)為是圖像中的邊緣點(diǎn)，其附近灰度的變化情況可從它相鄰像素灰度分布的梯度來反映。無論為了哪種目的，圖像邊緣檢測中關(guān)鍵的一步就是對包含有大量各式各樣景物信息的圖像進(jìn)行分解。第 2 章 圖像的邊緣檢測與提取 引言物體的邊緣是以圖像局部的不連續(xù)性的形式出現(xiàn)的，例如，灰度值的突變，顏色的突變，紋理結(jié)構(gòu)的突變等。因此，圖像邊緣檢測是一種超越具體應(yīng)用的過程：任何為解決某一特殊問題而開發(fā)的圖像邊緣檢測新技術(shù)或新方法，幾乎肯定能找到其他完全不同的應(yīng)用領(lǐng)域。在開發(fā) TV 攝像機(jī)和CCD 傳感器等方面也取得很大的進(jìn)展，現(xiàn)代的傳感器其空間分辨力和強(qiáng)度分辨力比早期系統(tǒng)有很大提高。圖像邊緣檢測應(yīng)用在視頻交通流檢測和車輛識(shí)別系統(tǒng)概述：一體的綜合系統(tǒng)。在軍事方面圖像邊緣檢測和識(shí)別主要用于導(dǎo)彈的精確制導(dǎo)，各種偵察照片的判讀，對不明來襲武器性質(zhì)的識(shí)別，具有圖像傳輸、存儲(chǔ)和顯示的軍事自動(dòng)化指揮系統(tǒng)，飛機(jī)、坦克和軍艦?zāi)M訓(xùn)練系統(tǒng)等。數(shù)字圖像邊緣檢測與提取處理的主要應(yīng)用領(lǐng)域有：（1）航天和航空技術(shù)方面的應(yīng)用，數(shù)字圖像邊緣檢測技術(shù)在航天和航空技術(shù)方面的應(yīng)用，除了月球、火星照片的處理之外，另一方面的應(yīng)用是在飛機(jī)遙感和衛(wèi)星遙感技術(shù)中。（6） 圖像變換： 由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。不同的增強(qiáng)技術(shù)可以用于不同的目的，這取決于應(yīng)用的類型。圖像分割是一個(gè)十分困難的過程。（5） 邊緣連接：從無序邊緣形成有序邊緣表的過程。圖像灰度的不連續(xù)性可分為兩類：階躍不連續(xù)，即圖像灰度再不連續(xù)出的兩邊的像素的灰度只有明顯的差異，如圖 所示，線條不連續(xù)，即圖像灰度突然從一個(gè)值變化到另一個(gè)值，保持一個(gè)較小的行程又返回到原來的值。圖像邊緣檢測處理作為一門學(xué)科已經(jīng)被美國數(shù)學(xué)學(xué)會(huì)列為應(yīng)用數(shù)學(xué)的一個(gè)研究分支。（2）自動(dòng)化:旨在使一些日常的或繁瑣的工作自動(dòng)化。首先通過平滑來濾除圖像中的噪聲，然后進(jìn)行一階微分或二階微分運(yùn)算，求得梯度最大值或二階導(dǎo)數(shù)的過零點(diǎn)，最后選取適當(dāng)?shù)拈撝祦硖崛∵吔纭Ｋ趫D像識(shí)別，圖像分割，圖像增強(qiáng)以及圖像壓縮等的領(lǐng)域中有較為廣泛的應(yīng)用，也是它們的基礎(chǔ)。經(jīng)過幾十年的發(fā)展，數(shù)字圖像邊緣檢測處理技術(shù)目前己經(jīng)廣泛應(yīng)用于工業(yè)、微生物領(lǐng)域、醫(yī)學(xué)、航空航天以及國防等許多重要領(lǐng)域，多年來一直得到世界各科技強(qiáng)國的廣泛關(guān)注。關(guān)于白細(xì)胞分類計(jì)數(shù)應(yīng)用，市售系統(tǒng)是在 1970 年開發(fā)成功的。它以眾多的學(xué)科領(lǐng)域?yàn)槔碚摶A(chǔ)，其成果又滲透到眾多的學(xué)科中，成為理論實(shí)踐并重，在高新技術(shù)領(lǐng)域中占有重要地位的新興學(xué)科分支。 階躍型 房頂型 突圓型 圖 邊緣灰度變化 在討論邊緣檢測方法之前，首先介紹一些術(shù)語的定義。 圖像邊緣檢測算法的研究內(nèi)容圖像邊緣檢測和分析可定義為應(yīng)用一系列方法獲取、校正、增強(qiáng)、變換、檢測或壓縮可視圖像的技術(shù)。一種方法是假設(shè)圖像各成分的強(qiáng)度值是均勻的并利用這種均勻性；另一種方法尋找圖像成分之間的邊界，因而是利用圖像的不均勻性。該技術(shù)可以是整體的或局部的，也可以在某個(gè)頻域或者空間域中進(jìn)行。 圖像邊緣檢測算法的主要應(yīng)用圖像是人類獲取和交換信息的主要來源，因此，圖像邊緣處理的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。（2） 生物醫(yī)學(xué)工程方面的應(yīng)用，數(shù)字圖像邊緣檢測在生物醫(yī)學(xué)工程方面的應(yīng)用十分廣泛，而且很有成效。因此要解決城市交通問題，就必須準(zhǔn)確掌握交通信息。，再將這些捕捉到的序列圖像送入計(jì)算機(jī)進(jìn)行圖像邊緣檢測、圖像分析和圖像理解，從而得到交通流數(shù)據(jù)和交通狀況等交通信息，這是系統(tǒng)的基本工作流程:初 始 設(shè) 置圖像采集 預(yù) 處 理 圖像識(shí)別 圖像邊緣檢測圖像分割 圖 系統(tǒng)的基本工作流程對于車牌識(shí)別技術(shù)的研究現(xiàn)狀，車牌的自動(dòng)識(shí)別是計(jì)算機(jī)視覺、圖像邊緣檢測與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一，是實(shí)現(xiàn)交通管理智能化的重要環(huán)節(jié)，主要包括車牌定位、字符車牌分割和車牌字符識(shí)別三個(gè)關(guān)鍵環(huán)節(jié)。甚至三維分析（如序列圖像或隨時(shí)間的圖像變化）以及四維分析（如隨時(shí)間變化的序列斷面圖像），現(xiàn)在已成為可實(shí)現(xiàn)的目標(biāo)。攝像機(jī) 結(jié)果輸出從 70 年代中期開始，隨著計(jì)算機(jī)技術(shù)和人工智能、思維科學(xué)研究的迅速發(fā)展，數(shù)字圖像邊緣檢測向更高、更深層次發(fā)展。圖像邊緣檢測和計(jì)算機(jī)視覺都是新興學(xué)科分支，近幾十年來，取得了許多重大的成果。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。邊緣提取是圖像邊緣檢測和計(jì)算機(jī)視覺等領(lǐng)域最基本的技術(shù)，如何準(zhǔn)確、快速的提取圖像中的邊緣信息一直是這些領(lǐng)域的研究熱點(diǎn)，隨著此項(xiàng)技術(shù)研究的深入和整個(gè)領(lǐng)域的不斷發(fā)展，邊緣提取技術(shù)已經(jīng)成為圖像分割、目標(biāo)識(shí)別、圖像壓縮等技術(shù)的基礎(chǔ)。圖像邊緣對圖像識(shí)別和計(jì)算機(jī)分析十分有用。在圖像中邊緣有方向和幅度兩個(gè)特性。當(dāng)需要提取多空間范圍內(nèi)的變化特性時(shí)，要考慮多算子的綜合應(yīng)用。但在遇到包含紋理的圖像上，這有點(diǎn)問題，比如說，圖像中的人穿了黑白格子的衣服，我們往往不希望提取出來的邊緣包括衣服上的方格。（2）增強(qiáng)?？偟恼f來傳統(tǒng)邊緣檢測的流程圖如下:圖 邊緣檢測的流程圖特征提取作為圖像邊緣檢測的一個(gè)重要內(nèi)容，發(fā)展了眾多的方法。首先通過平滑來濾除圖像中的噪聲，然后進(jìn)行一階微分或二階微分運(yùn)算，求得梯度最大值或二階導(dǎo)數(shù)的過零點(diǎn)，最后選取適當(dāng)?shù)拈撝祦硖崛∵吔?。一般來說，距離越大，產(chǎn)生的影響越小。 圖 鄰域 Laplacian 算子 圖 鄰域 Laplacian 算子通常使用的拉普拉斯算子 33 模板如圖 所示： 圖 拉普拉斯算子Laplacian 算子對噪聲比較敏感， Laplacian 算子有一個(gè)缺點(diǎn)是它對圖像中的某些邊緣產(chǎn)生雙重響應(yīng)。但是由于平滑會(huì)造成圖像邊緣的延伸，因此邊緣檢測器只考慮那些具有局部梯度最大值的點(diǎn)為邊緣點(diǎn)。拉普拉斯算子對圖像中的嗓聲相當(dāng)敏感。根據(jù)對信噪比與定位乘積進(jìn)行測度，得到最優(yōu)化逼近算子。 （nonMaxiMa suppression,NMS）解決方法：利用梯度的方向。②其次是連接邊緣： 雙閾值算法對非極大值抑制圖像作用兩個(gè)閾值 τ1 和 τ2，且2τ1≈τ2，從而可以得到兩個(gè)閾值邊緣圖像 G1(x,y)和 G2(x,y)。在這幾種算法中除 Roberts 算子外都使用了圖像模板，模板運(yùn)算是圖像的一種處理手段——鄰域處理，有許多圖像增強(qiáng)效果都可以采用模板運(yùn)算實(shí)現(xiàn)，如平滑效果，中值濾波，油畫效果，圖像的凹凸效果等等。圖像邊緣識(shí)別與在實(shí)際中有很重要的應(yīng)用，一直是圖像邊緣檢測中的熱點(diǎn)和難點(diǎn)，迄今已有許多邊緣檢測方法，其中 Robert 算子、Sobel 算子、Prewitt 算子、Laplace 算子、Prewitt 算子、Krisdl 算子、Canny 算子、Gauss 邊緣檢測算子及輪廓提取或輪廓跟蹤、利用平滑技術(shù)提取圖像邊緣、利用差分技術(shù)提取圖像邊緣、利用小波分析技術(shù)提取圖像邊緣等方法是常用的方法，但各種算法結(jié)果差異很大。title(39。閾值為 的 Canny 算子邊緣檢測圖像 39。)。BW21= edge(I,39。Canny39。)。 %edge 調(diào)用 Canny 為檢測算子判別閾值為 figure,imshow(BW1)。title( 39。閾值為 的 Canny 算子邊緣檢測圖像39。)。BW22= edge(I,39。39。)。BW2= edge(I,39。log39。,)。BW1=edge(I,39。log39。,)。figure,imshow(BW20)。title(39。閾值為 的 LOG 算子邊緣檢測圖像39。且當(dāng)閾值超過 時(shí)圖像邊緣的有效信息已經(jīng)完全丟失如圖 所示，失去了圖像的邊緣點(diǎn)判斷的有效性！再取原始圖像，仍照上述方法進(jìn)行處理，結(jié)果如圖所示?？梢钥闯鯟anny算子的邊緣檢測效果更好。主要是受噪聲影響較小。因此效果較好，但是閾值的選擇范圍較小，無法較細(xì)致的進(jìn)行邊緣點(diǎn)檢測。相對于以上所說的種種經(jīng)典的邊緣檢測方法，許多學(xué)者基于對理想邊緣檢測的分析和對邊緣特性某一方面的改進(jìn)，提出了很多卓有成效的新的邊緣檢測方法，取得了較好的效果。隨著人們對圖像信息需求的增加，圖像邊緣的重要性得到人們越來越多的關(guān)注。它的目標(biāo)就是用計(jì)算機(jī)視覺技術(shù)，通過分析攝像機(jī)拍攝的交通圖像序列來對車輛、行人等交通目標(biāo)的運(yùn)動(dòng)進(jìn)行邊緣檢測作、定位、識(shí)別和跟蹤，并對檢測、跟蹤和識(shí)別的交通運(yùn)動(dòng)目標(biāo)的交通行為進(jìn)行分析和判斷，特別是在車牌定位、字符車牌分割和車牌字符識(shí)別技術(shù)上的特殊貢獻(xiàn)巨大，從而既完成各種交通流數(shù)據(jù)的采集，又進(jìn)行與交通管理有關(guān)的各種日常管理和控制，形成一個(gè)全方位立體化的數(shù)字交通監(jiān)控網(wǎng)，真正實(shí)現(xiàn)交通管理智能化。感謝王老師在學(xué)習(xí)上給予我的悉心指導(dǎo)，提供我一個(gè)很好的學(xué)習(xí)環(huán)境以及實(shí)踐鍛煉機(jī)會(huì)。39。imshow(J)。原始圖像39。)。BW11=edge(I,39。Roberts 39。,)。 %edge 調(diào)用 sobel 為檢測算子判別閾值為 figure,imshow(BW20)。 title( 39。閾值為 的 sobel 算子邊緣檢測圖像39。)。BW32=edge(I,39。Prewitt 39。)。BW40= edge(I,39。Canny39。,) 。BW1=edge(I,39。log39。,)。figure,imshow(BW22)。title(39。閾值為 的 Canny 算子邊緣檢測圖像 39。)。BW22= edge(I,